RKLLM加速框架：突破性AI部署技术重塑边缘计算格局
2025/12/18 15:21:30
本篇就来讲RAG（增强检索生成），实操阶段基于网易开源的本地知识库的问答系统QAnything。
今天带大家一起搭建一个本地知识库的问答系统QAnything，QAnything特点的是界面友好，简单易用，知识库管理和问答之外，也提供了 Agent、速读、AI写手等能力。文章主要内容：
一、什么是QAnything
QAnything (Question and Answer based on Anything) 是一款由网易开源的本地知识库问答系统，致力于支持任意格式文件或数据库的本地知识库问答系统，可断网安装使用，非常适合对数据安全有高要求的场景。
您的任何格式的本地文件都可以往里扔，即可获得准确、快速、靠谱的问答体验。
目前已支持格式:
- PDF(pdf)
- Word(docx)
- PPT(pptx)
- XLS(xlsx)
- Markdown(md)
- 电子邮件(eml)
- TXT(txt)
- 图片(jpg，jpeg，png)
- CSV(csv)
二、QAnything的特点
● 数据安全，支持全程拔网线安装使用。
● 支持文件类型多，解析成功率高，支持跨语种问答，中英文问答随意切换，无所谓文件是什么语种。
● 支持海量数据问答，两阶段向量排序，解决了大规模数据检索退化的问题，数据越多，效果越好，不限制上传文件数量，检索速度快。
● 硬件友好，默认在纯CPU环境下运行，且win，mac，linux多端支持，除docker外无依赖项。
● 易用性，无需繁琐的配置，一键安装部署，开箱即用，各依赖组件（pdf解析，ocr，embed，rerank等）完全独立，支持自由替换。
● 支持类似Kimi的快速开始模式，无文件聊天模式，仅检索模式，自定义Bot模式。
三、QAnything的架构
四、特性介绍
4.1 最新特性表
| 特性 | python(v1.4.2) | docker(v1.1.2) | 全部QAanything(v2.0.8) | 说明 |
|---|---|---|---|---|
| 详细安装文档 | ☐ | ☐ | ☐ | |
| API支持 | ☐ | ☐ | ☐ | |
| 生产环境（小型生产环境） | ☐ | ☐ | ✅ | |
| 离线使用 | ☐ | ☐ | ✅ | |
| 支持多并发 | ☐ | ☐ | ✅ | |
| 支持多卡推理 | ✅ | v2.0.8版本不再提供默认版本LLM，需用户自行通过ollama等工具部署本地LLM | ||
| 支持Mac（M系列芯片） | ✅ | ✅ | ||
| 支持Linux | ✅ | ✅ | ✅ | python旧版本Linux默认安装tensorflow-cpu，如需使用cudn2-gitb=2.0时自动切换为nonatickm |
| 支持windows（无需WSL） | ✅ | ✅ | python旧版本均可以通过安装支持cudn2直接在非WSL环境下启动 | |
| 支持CPU环境 | ✅ | ✅ | ✅ | |
| 支持bertembedding（BM2相似度排序） | ✅ | ✅ | ✅ | |
| 支持联网检索（需外网VPN） | ✅ | |||
| 支持FAQ问答 | ☐ | ☐ | ✅ | |
| 支持自定认机器人（可绑定知识库，可分享） | ☐ | ☐ | ✅ | |
| 支持文件溯源（数据来源可直接点击打开） | ☐ | ☐ | ✅ | |
| 支持问答日志检索 | ☐ | ☐ | ✅ | |
| 支持解析语音文件（依赖ffmpeg，解析速度慢） | ✅ | ✅ | ||
| 支持OpenClossOS | ☐ | ✅ | ||
| 支持与OpenAI接口兼容（直接开搞大模型免费的钱钱） | ☐ | ✅ | ||
| rdf（包含表格解析效率++） | ✅ | v1.4.2版本手动设置，v0.0.0无手动设置，qdf解析效果和性能均有提升 | ||
| 用户自定义embed、trank接口（实验性，提升速度） | ✅ | v1.4.2需手动设置，v2.0.0默认使用最佳配置 | ||
| 其他文件类型解析效果++ | ✅ | |||
| 支持独立服务调用 | ☐ | ☐ | ✅ | v2.0.9版本独立服务器，包括chat服务，可独立调用（http） |
| 支持快速开始模式 | ☐ | ☐ | ✅ | 快速开始，无需创建知识库，支持无文件问答 |
| 支持仅检索模式 | ☐ | ☐ | ✅ | 仅返回检索结果，不调用大模型进行问答 |
| 支持解析结果chunk内容可编辑，手动编辑 | ☐ | ☐ | ✅ | v2.0.0版本支持手动编辑chunk内容，实时生效 |
| 支持解析图片文档，支持回 | ✅ | |||
4.2 V2.0.0版本新增细节优化：
● 支持前端配置API_BASE，API_KEY，文本分片大小，输出token数量，上下文消息数量等参数
● 优化Bot角色设定的指令遵循效果，每个Bot可单独配置模型参数
● 支持创建多个对话窗口，同时保存多份历史问答记录
● 支持问答记录保存成图片
● 优化上传文件逻辑，解析文件与问答请求独立，上传文件不再影响问答
● 优化镜像大小，旧版本镜像压缩后大小为18.94GB->新版镜像压缩后大小为4.88GB，降为原有的1/4，提供完整Dockerfile
● 检索优化，chunks新增片段融合与排序，聚合单文档或双文档
● 检索阶段和问答阶段均嵌入metadata信息，提升检索和问答效果
4.3 各阶段数据展示：
● 知识库所有文件上传进度展示 ● 知识库单个文件上传进度展示，上传各阶段耗时 ● 问答信息统计，包含问答各阶段耗时，tokens消耗，模型信息等 ● 用户信息统计，包含上传文件总数量，总耗时，问答历史记录等
五、安装指南
5.1 必要条件
| 系统 | 依赖 | 要求 | 说明 |
|---|---|---|---|
| 通用 | RAM Memory | >= 20GB | |
| Linux/Mac | Docker version | >= 20.10.5 | [docker install] |
| Linux/Mac | docker compose version | >= 2.23.3 | [docker-compose install] |
| Windows | Docker Desktop | >= 4.26.1（131620） | [Docker Desktop for Windows] |
5.2 下载及安装
mkdir -p /data/RAG && cd /data/RAGgit clone https://github.com/netease-youdao/QAnything.gitcd QAnythingls -l```plaintext
在 Linux 上启动docker-compose -f docker-compose-linux.yaml up -d# 在 Mac 上启动docker-compose -f docker-compose-mac.yaml up -d# 在 Windows 上启动docker-compose -f docker-compose-win.yaml up -d
这一步包括拉取镜像和启动，拉取镜像的过程较长，大概10多分钟。
5.3 使用演示
- 新建知识库：上传本地文件，系统自动解析。
- 问答体验：输入问题，获取精准答案，支持溯源查看原文。
- 自定义Bot：绑定知识库，打造专属AI助手。
QAnything默认端口：8777，运行成功后，即可在浏览器输入以下地址进行体验：http://localhost:8777/qanything/
新建知识库：
上传文档集：
录入问答集：
六、总结
- QAnything是一款强大且易用的本地知识库问答工具，特别适合企业、研究团队或个人用户管理海量文档。
- 它的离线安全、多格式支持和高效检索能力，使其成为知识管理的利器。
- 无论是搭建内部知识库，还是快速查找文件内容，QAnything都能轻松胜任。
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！